Trip Distribusi

Mata Kuliah: Perencanaan Transportasi

Fakultas Teknik - Universitas Sebelas Maret Surakarta - Indonesia

Definisi
o Trip distribution adalah suatu tahapan yang mendistribusikan
berapa jumlah pergerakan yang menuju dan berasal dari suatu
zona
Pada tahapan ini yang diperhitungkan adalah :
1. Sistem kegiatan (Land use)
2. Sistem jaringan (Aksesibilitas)

Trip distribution merepresentasikan jumlah perjalanan dari zona

asal i ke zona tujuan j, biasanya ditulis dalam bentuk Matriks Asal
Tujuan (MAT), dengan array 2 dimensi.

Tabel Bentuk Umum Matriks Asal Tujuan

j

i
1
2
3
.
.
z

Tij
i

. . . .

T11
T21
T31
.
.
TZ1

T12
T22
T32
.
.
TZ2

T13
T23
T33
.
.
TZ3

. . . .
. . . .
. . . .

T1Z
T2Z
T3Z

. . . .

TZZ

D1

D2

D3

. . . .

DZ

Tij
j

O1
O2
O3
.
.
OZ

Tij
ij

Baris : menunjukkan jumlah perjalanan yang berasal dari zona i

Kolom : menunjukkan jumlah perjalanan yang menuju ke zona j
Tij : Jumlah perjalanan dari zona i ke zona j
Oi : Jumlah perjalanan yang berasal dari zona i
Dj : Jumlah perjalanan yang menuju zona j
Selain ditulis dalam bentuk matriks, trip distribution dapat pula
ditulis dalam bentuk Garis Keinginan / Desire Line

Metoda Trip Distribution

1.

Metoda Faktor Pertumbuhan (Growth Factor)

Pergerakan di masa mendatang adalah pertumbuhan dari
pergerakan pada masa sekarang.

2.

Metoda Sintetis (Synthetic Method)

Pada metoda ini sudah mulai mempertimbangkan bukan
saja
faktor pertumbuhan tetapi juga mempertimbangkan
faktor aksesibilitas.

METODA FAKTOR PERTUMBUHAN

Bentuk umum :
Tij = tij . E
Dimana :

Tij = perjalanan mendatang (future) dari i ke j

tij = perjalanan saat ini (base year) dari i ke j

E = faktor pertumbuhan (Growth Factor)

Jenis model faktor pertumbuhan

o
o
o
o
o

Model Uniform / Seragam

Model Average
Model Fratar
Model Detroit
Model Furness

1. Model Uniform
Bentuk umum : Tij =

tij . E

dimana :
Tij

= total pergerakan pada masa mendatang dalam daerah

studi dari zona asal i ke zona tujuan j

tij

= total pergerakan pada masa sekarang di daerah studi

dari zona asal i ke zona tujuan j

= faktor pertumbuhan

Asumsi dasar model uniform

Semua daerah dianggap mempunyai tingkat bangkitan atau tarikan
yang seragam
Total bangkitan = total tarikan

1
2
3
4
Dj
Dj
Ej

1
20
30
30
20
100
100
1

Ei
Ej

2
10
30
60
50
150
300
2

3
10
60
60
20
150
300
2

4
60
30
50
60
200
100
0,5

Oi
100
150
200
150
600

Oi
200
150
300
150

Ei
2
1
1,5
1

800
8/6

= Eksisting Trip (tij) diperoleh dari survei

= tingkat pertumbuhan bangkitan
= tingkat pertumbuhan tarikan

Selanjutnya sel-sel di atas dikalikan dengan 8/6

i

1
2
3
4
Dj
Dj
Ej

1
2
26,66 13,33
40
40
40
80
26,66 66,66
133,33 200
100
300
0,75
1,5

3
4
Oi
13,33
80 133,33
80
40
200
80
66,6 266,66
26,66
60
200
200 266,66
800
300
100
1,5
0,375

Oi
200
150
300
150
800

Hasil :
1. Oi model = 133,33 ;Oi expected = 200
Berarti : model < expected

under estimate

2. Dj model = 133,33 ;Dj expected = 100

Berarti : model > expected

over estimate

Ei
1,5
0,75
1,25
0,75

Kelemahan model uniform

o Tidak dapat dipakai pada daerah yang tingkat

pertumbuhannya tidak merata

o Tidak cocok dipakai di Indonesia karena tingkat
pertumbuhan daerah-daerah di Indonesia tidak merata

o Tidak mempertimbangkan aksesibilitas tapi hanya

dipengaruhi oleh faktor pertumbuhan yang disebabkan
oleh perubahan land use

o Model ini tidak cocok digunakan untuk perencanaan jangka

panjang karena dalam jangka panjang tidak dapat
dijamin bahwa tidak ada perubahan aksesibilitas

2. Model Average / Rata-rata

Persamaan model :

Tij = tij .
dari bentuk model dapat dilihat bahwa perbedaan tingkat pertumbuhan
pada setiap daerah dinetralisir dengan cara dibuat nilai rata-rata.
Dengan data eksisting trip di atas, jika dikerjakan dengan model ini akan
diperoleh:

1
2
3
4
Dj
Dj
Ej

1
30
30
37,5
20
117,5
100
0,851

2
20
45
105
75
245
300
1,224

3
4
Oi
20
75
145
90
22,5 187,5
105
50 297,5
30
45
170
245 192,5 800
300
100
1,224 0,519

Oi
200
150
300
150

Ei
1,379
0,80
1,008
0,882

800
1

 Contoh untuk sel 11

E 11= (2+1)/2 = 1,5 sehingga isi sel adalah : 20x1,5 = 30
Langkah selanjutnya adalah dicari / dilakukan iterasi ke-2
dst. hingga diperoleh Ein ~ 1 dan Ejn ~ 1
Contoh iterasi ke-2 :
1,379 0,851
T11 = 30 x
= 33,45 dst.

j
i

33,45 26,03
1
24,77 45,54
2
34,86 117,18
3
17,33
78,98
4
Dj 110,40 267,73
300
Dj 100
1,12
Ej 0,91

3
26,03
91,08
117,18
31,59

Oi
1,18 156,69
14,84 176,22
38,18 307,39
31,52 159,42

265,88 155,71
300

100

1,13

0,64

Oi
200
150
300
150

Ei
1,28
0,85
0,98
0,94

800
800
1

3. Model Fratar
Model ini mencoba mengatasi masalah sebelumnya dengan cara:
o Trip distribusi dari suatu zona pada masa mendatang
proporsional dengan trip distribusi pada masa sekarang

o Trip distribusi tersebut dimodifikasi dengan growth factor dari

zona ke mana pergerakan tersebut berakhir
o pengaruh lokasi zona diperhitungkan

Bentuk model :
Tij = tij . Ei . Ej .

( Li Lj)
2

Li, Lj = efek dari lokasi

o Model ini jarang digunakan karena iterasinya rumit

4. Model Detroit
Bentuk model : Tij = tij . Ei . Ej/E
dimana, E = faktor pertumbuhan total

5. Model Furness
Bentuk model : Tij = tij . Ei
Pada metode ini :

1. Iterasi lebih sedikit

2. satu set 1 perkalian

Iterasi dilakukan pada :

o Baris dulu, kemudian diperiksa Ei ~ 1 ; Ej ~ 1
o Kolom, kemudian periksa Ei ~ 1 ; Ej ~ 1
o Iterasi diteruskan berganti-ganti antara Ei dan Ej sampai
diperoleh Ei ~ 1 dan Ej ~ 1

Keuntungan model Furness:

o Hanya memerlukan data eksisting trip ditambah dengan perkiraan
pertumbuhan zona di masa mendatang
o Hanya diperlukan iterasi sederhana untuk menghasilkan produk
yang balance
Kerugian model Furness:
o Relatif mahal untuk mendapatkan data eksisting
o Batas zona harus konstan, sehingga tidak ada zona baru pada
masa mendatang
o Tidak dapat digunakan untuk daerah dengan tingkat pertumbuhan
pesat
o Tidak memperhitungkan tingkat aksesibilitas
o Tidak memperhitungkan transport impedance (time distance, cost
antarzona)

METODE SINTETIS
Metode yang mendasarkan pada asumsi bahwa :
o Sebelum pergerakan pada masa mendatang diramalkan, terlebih
dahulu harus dipahami alasan terjadinya pergerakan pada masa
sekarang
o Alasan tersebut kemudian dimodelkan dengan menggunakan
analogi hukum alam yang sering terjadi

Prinsip yang mendasari metode ini adalah bahwa pergerakan dari

zona asal ke zona tujuan berbanding lurus dengan besarnya
bangkitan lalu lintas di zona asal dan juga tarikan lalu lintas di zona
tujuan, serta berbanding terbalik dengan jarak (kemudahan/kesulitan)
antara kedua zona tersebut. Model semacam ini menjadikan survei
yang dibutuhkan semakin berkurang.

Sebagai contoh pola pergerakan dengan maksud bekerja di dalam kota

dapat dimodel dengan menggunakan beberapa peubah seperti
sebaran lokasi pekerja, lokasi lapangan kerja, dan biaya perjalanan.
Hal yang sama dengan pola pergerakan dengan maksud belanja dapat
dimodel dengan mempelajari kemampuan daya beli dan luas pusat
perbelanjaan.
Model sintetis yang biasa dipakai adalah:
1. Model Gravity
2. Model Intervening- opportunity
3. Model Gravity-Oppurtunity

Model Gravity
Model ini dikembangkan analog dengan Hukum Gravitasi Newton

Gaya tarik menarik atau tolak menolak antara 2 buah benda

berbanding lurus dengan masa kedua benda tersebut dan
berbanding terbalik dengan kuadrat jaraknya (Hukum Newton 1),
yang diyatakan dalam dengan persamaan :
mi.md
Fid = G.
did 2
Fid ~

mi.md
did 2

dengan G= konstanta gravitasi

Pertidaksamaan

Sekalipun terlihat realistis, ternyata persamaan tersebut di atas

menghasilkan kenyataan yang membingungkan dan merupakan
kesalahan fatal jika digunakan dalam aspek transportasi. Mengapa
demikian?
Jika salah satu nilai Oi dan salah satu nilai Dd menjadi dua kali, maka
pergerakan antara dua zona meningkat empat kali (padahal
sebenarnya hanya dua kali saja). Untuk itu maka persamaan yang
membatasi Tid diperlukan, yakni :

id

= Oi

dan

id

= Dd

Sehingga persamaan menjadi

Tid = k.

Oi .Dd
d id2

dengan

id

= Oi dan

T
i

id

= Dd

Oi dan Dd menyatakan jumlah pergerakan yang berasal dari zona i dan

yang berakhir di zona d. Oleh karena itu penjumlahan sel MAT menurut
baris menghasilkan total pergerakan yang berasal dari setiap zona,
sedangkan penjumlahan menurut kolom akan menghasilkan total
pergerakan yang menuju ke setiap zona.

o Oi dan Dd diidentikkan dengan massa benda 1 dan 2

o Aksesibilitas

diidentikkan dengan jarak dua benda tsb.

o Aksesibilitas dinyatakan (dalam konteks ini) sebagai f(cid).

Sedang Cid adalah detterance function atau disebut sebagai
fungsi hambatan yaitu fungsi dari (jarak, biaya,waktu), sehingga
model GR dapat dinyatakan dalam bentuk :

Tid Oi . Dd . f(cid)

Agar sesuai dengan konteks transport, maka diperlukan

batasan yakni : Tid = Oi dan T id = Dd, sehingga bentuk
d

umum model Gravity menjadi:

Tid = Ai . Oi . Bd . Dd . f(Cid)

o Oi,Dd
o Ai,Bd
o f(Cid)

= trip generation
= faktor penyeimbang/balancing factor
= fungsi faktor penghambat/transport impedance/
detterance function

Batasan

id

= Oi dan

id

= Dd dipenuhi jika digunakan Ai

dan Bd, yang nilainya adalah :

Ai

1
( Bd .Dd . f id )

dan Bd

1
( Ai .Oi . f id )
i

Dengan demikian untuk sembarang MAT adalah :

O i Tid ; Dd Tid ;
d

T Tid
i

To
From
Dd

1D1
2
3
Dd

1
D2T11 D3
T21
T31
D1

2
TT12
T22
T32
D2

3
T13
T23
T33
D3

Oi
O1
O2
O3
T

Sejauh ini tidak ada bukti yang mendukung bahwa jarak memegang
peranan yang sama antara hukum Newton dengan bidang transportasi,
sehingga perlu digunakan bentuk umum jarak, waktu, dan biaya yang
biasa disebut sebagai fungsi hambatan transportasi f(Cid) atau
Detterance Function
.

Jenis-jenis Detterance Function:

1. Model negatif eksponential
: f(cid) = e Cid
2. Fungsi Power
: f(cid) = Cid-
3. Fungsi Tanner
: f(cid) = Cid . e

Cid

Jenis-jenis Model Gravity:

1. Model Gravity Tanpa Batasan (Unconstrain Gravity =UCGR)
dipakai jika data Oi dan Dd tidak akurat

Syarat: Oi

Dd

T
T

id

id

Ai = 1, untuk seluruh i
Bd = 1, untuk seluruh d

2. Model Gravity dengan Batasan Bangkitan (Production

Constrained Gravity = PCGR)
o dipakai jika data Dd tidak akurat
Syarat: Oi = Tid
d

Dd

Tid

Oi = Tid

( Ai.Oi.Bd .Dd. f (C ))
Oi = Ai . Oi . ( Bd .Dd. f (C

Oi =

id

id

))

1
Ai =
( Bd .Dd. f (Cid ))
d

Bd = 1

o Model Attraction Constrain atau Model Gravity dengan Batasan

Tarikan (ACGR)
dipakai jika data Oi tidak akurat

Syarat:

Dd = Tid
i

Oi

Tid
d

Dd = Tid
i

Dd =

( Ai.Oi.Bd .Dd. f (C

id

Dd = Bd . Dd .

))

( Ai.Oi. f (C

id

))

Bd =

1
(Ai.Oi.f( cid))
i

Ai = 1

o Model Doubly Constrain/Production Attraction Constrain atau

Model Gravity dengan Dua Batasan
dipakai jika diyakini data Oi dan Dd semua akurat

Syarat: Dd = Tid
i

Oi = Tid
d

Ai =

1
(Bd.Dd.f( cid))
d

Bd =

Model

1
(Ai.Oi.f( cid))
i

Misalkan dari hasil trip generation, dihasilkan bangkitan dan

tarikan pergerakan, seperti dalam Matrik Distribusi pergerakan di
bawah ini:
ZONA
1
2
3
4
Dd

300

200

150

350

Oi
200
300
350
150
1000

Selain itu juga terdapat informasi mengenai aksesisbilitas antarzona yang

dapat berupa jarak, waktu tempuh, dan biaya seperti berikut :
TABEL MATRIKS BIAYA (Cid)
ZONA
1
2
3
4
1
5
20
35
50
2
15
10
50
25
3
55
25
10
30
4
25
15
45
5

 Jika dianggap fungsi hambatan mengikuti fungsi eksponensial

negatif dan = 0,095 maka dapat dicari nilai Exp(-.cid) pada
masing-masing sel

ZONA
1
2
3
4

TABEL
1
0,621145
0,239651
0,005310
0,092812

MATRIKS
2
0,148858
0,385821
0,092462
0,239651

Exp (-.Cid)
3
4
0,035674 0,008549
0,008549 0,092462
0,385821 0,057433
0,013764 0,621145

Dengan menggunakan persamaan :

Tid = Ai . Oi . Bd . Dd . f(Cid)
o Model UCGR :
Ai = 1, untuk seluruh i
Bd = 1, untuk seluruh d
T11 = A1 . O1 . B1 . D1 . f(C11)
= 1 . 200 . 1 . 300 . 0,621145 = 209
T12 = A1 . O1 . B2 . D2 . f(C12)
= 1 . 200 . 1 . 200 . 0,148858 = 33
dst
TABEL MAT akhir hasil model UCGR

ZONA
1
2
3
4
oi
Oi
209
33
6
3
252
200
1
121
130
2
54
307
300
2
3
36
114
39
192
350
3
23
40
2
183
248
150
4
356
240
124
280 1000
dd
300
200
150
350
1000
Dd
0,842 0,834 1,215 1,249
Ed
1,0
1,0
1,0
1,0
Bd

Ei

Ai

0,794

1,0

0,976

1,0

1,818

1,0

0,604

1,0

o Model PCGR :

1
Ai =
( Bd .Dd. f (Cid ))
d

Bd = 1, untuk seluruh d

1
A 1=
B1.D1. exp( C11) B 2 .D 2 . exp( C12 ) B3 .D3 . exp( C13 ) B4 .D4 . exp( C14 )
1
A 2=
B1 .D1 . exp( C21 ) B 2 .D 2 . exp( C22 ) B3 .D3 . exp( C23 ) B4 .D4 . exp(C24 )
dst.....

T11 = A1 . O1 . B1 . D1 . f(C11)
= 0,00446 . 200 . 1 . 300 . 0,621145

= 166

T12 = A1 . O1 . B2 . D2 . f(C12)
= 0,00446. 200 . 1 . 200 . 0,148858= 27
Dst....

TABEL MAT akhir hasil model PCGR

ZONA

1
2
3
4
dd
Dd
Ed
Bd

oi

Oi

Ei

Ai

166

27

200

200

1,0

0,00446

118

127

53

300

300

1,0

0,00547

66

207

72

350

350

1,0

0,01020

14

23

110

150

150

1,0

0,00339

304

244

214

238

1000

300

200

150

350

0,987

0,821

0,699

1,470

1,0

1,0

1,0

1,0

1000

o Model ACGR :
Bd =

1
(Ai.Oi.f( cid))
i

A1 = 1, untuk seluruh i

B1= A .O . exp(C ) A .O . exp(C ) A .O . exp(C ) A .O . exp(C )

1 1
11
2
2
12
3 3
13
4 4
14
1
B2= A .O . exp(C ) A .O . exp(C ) A .O . exp(C ) A .O . exp(C )
1 1
21
2
2
22
3 3
23
4 4
24

dst.....
T11 = A1 . O1 . B1 . D1 . f(C11)
= 1 . 200 . 0,00472 . 300 . 0,621145 = 176
T12 = A1 . O1 . B2 . D2 . f(C12)
= 1. 200 . 0,00468 . 200 . 0,148858 = 28

Dst....

TABEL MAT akhir hasil model ACGR

ZONA

1
2
3
4
dd
Dd
Ed
Bd

176

28

215

200

0,929

1,0

102

108

68

281

300

1,069

1,0

30

138

49

220

350

1,590

1,0

20

34

228

284

150

0,528

1,0

300

200

150

350

1000

300

200

150

350

1,0

1,0

1,0

1,0

0,00472 0,00468 0,00681 0,00701

oi

Oi

1000

Ei

Ai

o Model DCGR :

1
Ai =
( Bd .Dd. f (Cid ))
d

Bd =

1
(Ai.Oi.f( cid))
i

1
A1= B .D . exp( C ) B .D . exp( C ) B .D . exp( C ) B .D . exp( C )
1 1
11
2
2
12
3 3
13
4 4
14
1
A2= B .D . exp(C ) B .D . exp(C ) B .D . exp(C ) B .D . exp(C )
1 1
21
2
2
22
3 3
23
4
4
24

dst.....
1
B1= A .O . exp(C ) A .O . exp(C ) A .O . exp(C ) A .O . exp(C )
1 1
11
2
2
12
3 3
13
4 4
14
1
B2= A .O . exp(C ) A .O . exp(C ) A .O . exp(C ) A .O . exp(C )
1 1
21
2
2
22
3 3
23
4 4
24

dst.....

TABEL Nilai Ai dan Bd pada setiap pengulangan

Pengulangan

A1

A2

A3

A4

B1

B2

B3

B4

Pengulangan

Dst
n

n-1

TABEL MAT akhir hasil model DCGR

ZONA
1
2
3
4
dd
Dd
Ed
Bd

1
2
3
170
22
3
114
101
1
7
63
145
10
14
0
300
200
150
300
200
150
1,0
1,0
1,0
0,97663 0,80853 0,59983

4
4
84
135
126
350
350
1,0
1,60876

oi
200
300
350
150
1000

Oi
200
300
350
150
1000

Ei
1,0
1,0
1,0
1,0

Ai
0,00467
0,00539
0,01196
0,00240